Alvaro Chavez Paper

Análisis sobre la evolución del COVID-19 en Colombia:
¿se alcanzará el pico de contagio?

Analysis on the Evolution of COVID-19 in Colombia:
Will the Contagion Peak be Reached?
Álvaro H. Chaves Castro

Profesor asociado, Escuela Colombiana de Ingeniería Julio Garavito, Colombia
https://orcid.org/0000-0002-1865-3558
alvaro.chaves@escuelaing.edu.co
Fecha de recepción: 26 de junio de 2020

Fecha de aprobación: 1 de agosto de 2020
Disponible en línea: 1 de septiembre de 2020
Sugerencia de citación: Chaves-Castro, A. H. (2021). Análisis sobre la evolución del

COVID-19 en Colombia: ¿se alcanzará el pico de contagio?.
tiempo&economía, 8(1), en prensa. doi: 10.21789/24222704.1672
RESUMEN
Se realiza un análisis de la evolución de los casos diarios de contagios y el número de
muertes para Colombia y algunas ciudades con base en información oficial reportada
por el Ministerio de Salud, con el fin de dar respuesta a la siguiente pregunta: ¿dada la
trayectoria actual del nuevo coronavirus, es posible estimar el futuro pico de contagios?
A partir de la construcción de una estructura de datos de panel, se estiman modelos
con tendencia cuadrática temporal para el logaritmo del número de contagios y muertes
por COVID-19. La estimación de la dinámica de los contagios y de las muertes de
manera recursiva a partir del método de regresiones rolling window muestra un buen
ajuste, permitiendo predecir cuándo se alcanzará el pico de la epidemia en función de
los nuevos casos reportados oficialmente. Se estiman algunos factores asociados a la
evolución de la pandemia, especialmente el efecto de la velocidad de contagio (tasa de
reproducción efectiva, Ro) sobre la trayectoria futura de los contagios diarios. Además,
se intenta estimar el impacto de las medidas de aislamiento preventivo adoptadas por
las autoridades nacionales y regionales. Los resultados muestran que el pico de la
pandemia en Colombia se alcanza aproximadamente a finales de agosto, período que
coincide con estudios epidemiológicos más elaborados. El número promedio de nuevos
casos diarios en el pico alcanzaría más de 10.000 contagios, mientras que el máximo
número de fallecidos en el pico sería de 44.471. La estimación del impacto de las
medidas de confinamiento muestra que se logra aplazar el pico y reducir el número de
contagios y muertes.
Palabras claves: contagios, tendencia cuadrática, confinamiento, rolling window.
Códigos JEL: H12, H51, I10.

Sugerencia de citación: Chaves-Castro, A. H. (2021). Análisis sobre la evolución del COVID-19 en Colombia:
¿se alcanzará el pico de contagio?.
ABSTRACT
An analysis of the evolution of daily COVID-19 cases and number of deaths in Colombia
and some Colombian cities is carried using official information reported by the Ministry
of Health. This seeks to answer the following question: Considering the current
trajectory of the new coronavirus, is it possible to estimate the future peak of infections?
From the construction of a panel data structure, some models with a time quadratic
trend are estimated for the number of infections and deaths logarithm. The estimation of
such dynamics by the rolling window regression method shows a good fit, allowing to
estimate the approximate date for the peak of the epidemic based on the new officially
reported cases. Some factors associated with the progression of the pandemic are
estimated, especially the effect of the speed of contagion (effective reproduction rate,
Ro) on the future trajectory of daily infections. In addition, an attempt to estimate the
impact of preventive social distancing measures adopted by national and regional
authorities is performed. Results show that the peak of the pandemic in Colombia will
be reached approximately at the end of August; finding that agrees with more elaborate
epidemiological studies. The average number of new daily cases at the peak of the
pandemic in Colombia would reach more than 10,000, while the maximum number of
deaths would be 44,471. Estimates about the impact of confinement measures show
that it is possible to delay the peak and reduce the number of infections and deaths.
Keywords: Contagion, quadratic trend, confinement, rolling window.
JEL Codes: H12, H51, I10.

INTRODUCCIÓN
Actualmente, el mundo está enfrentando una ola de incertidumbre y efectos negativos

en todos los órdenes producto de la aparición de la pandemia de COVID-19, la cual se
originó en la ciudad de Wuhan, China, el pasado 10 de diciembre de 2019, donde el
primer deceso se produjo un mes después, el 9 de enero de 2020. A partir de este
momento, la velocidad de contagio de la enfermedad se reflejó en el número de casos
reportados, que crecieron por todo el mundo de manera exponencial.
Colombia no fue la excepción. El primer caso de contagio en este país, clasificado

como importado, se presentó en Bogotá el pasado 6 de marzo, involucrando a una
mujer de 22 años procedente de la ciudad de Milán, Italia. Desde ese momento, el
COVID-19 se ha ido expandiendo a lo largo del territorio nacional. Al 30 de julio del
presente año, los datos oficiales reportados por el Ministerio de Salud indican que el
número de casos confirmados en Colombia es del orden de 276.055, 9.454 muertes y
142.777 recuperados, dejando un saldo de 123.258 casos activos en el país. A nivel de
ciudades, de acuerdo con la información del Instituto Nacional de Salud (INS), Bogotá
lidera el número de casos con 95.199, seguida de Barranquilla (28.940), Cali (17.797),
Cartagena (15.209), Leticia (2.372) y Villavicencio (2.160).1
La repuesta del Gobierno Nacional, en un intento por detener la expansión del virus, no
se hizo esperar. El martes 24 de marzo se decretó una cuarentena en todo el país que
terminaría el 25 de mayo. No obstante, dado el aumento en el número de casos y
muertes, la medida se extendió hasta el 31 de julio de 2020. La idea de una cuarentena
o medida de aislamiento preventivo es ganar tiempo y evitar el colapso en los sistemas
de salud, así como tratar de aplazar el pico de contagio de una enfermedad.
En este documento se analiza la evolución diaria del COVID-19 para Colombia y las
ciudades con el mayor número de contagios en este país, con el objetivo de encontrar
alguna evidencia relacionada con la estimación del pico de contagios y las muertes
asociadas con el virus. Los resultados muestran que el pico de la pandemia en
Colombia se alcanza aproximadamente a finales de agosto, período que coincide con
estudios epidemiológicos más elaborados en Colombia. A partir de modelos con
tendencia temporal cuadrática se extrapola el número de contagios y de muertes.
Además, a partir de estimaciones recursivas tipo rolling window, se estima el momento
en donde podría darse el pico de la curva de contagios y de muertes a nivel nacional, el
cual está sujeto a un margen de incertidumbre enorme. Según dichas estimaciones, el
número total de casos diarios que se alcanzarían en el pico está alrededor de 9.580
contagios, mientras que el número de fallecidos sería más de 10.000 personas.
Ciudades como Bogotá, Cali y Barranquilla podrían alcanzar el pico de contagios y
muertes diarias en un lapso de 7 semanas contadas a partir del 27 de mayo, para
después transitar hacia un descenso lento. Las excepciones son Leticia y Villavicencio,
donde aún es muy temprano estimar cuándo ocurrirá el pico de contagios y de muertes.
1
Cifras oficiales reportadas diariamente por el Ministerio de Salud: http://www.ins.gov.co/Noticias/Paginas/Coronavirus.aspx.
Específicamente, para el número de muertes diarias, existen algunas ciudades en

donde todavía no es posible determinar el momento exacto en el que ocurriría el pico.
En este trabajo —aún en etapa preliminar, y reconociendo cierto desconocimiento en

cuanto a epidemiología— se parte de algunos elementos de los modelos más básicos,
haciendo énfasis en el número de reproducción efectiva, cuyas estimaciones se toman
de otros trabajos, con el fin de explicar la evolución en las tendencias de los casos
diarios de contagios y de muertes. Así, la extrapolación de casos a partir de los
modelos de tendencia cuadrática tiene en cuenta la influencia de este número, el cual
podría determinar de manera adecuada la trayectoria futura del virus COVID-19.
El presente documento se estructura en seis secciones, de la cuales esta introducción

es la primera. La segunda parte describe el número de reproducción efectiva (R) a
partir de un modelo estándar epidemiológico (SIR) con el fin de analizar la evolución
futura de los casos diarios de contagios y muertes; al tiempo que analiza la evolución
de los casos diarios de contagios y fallecidos por COVID-19. En la sección tercera se
realiza una revisión del estado del arte, destacando los principales trabajos
relacionados con la evolución del COVID-19 y los impactos económicos de la
pandemia. La sección cuarta describe los modelos de tendencia cuadrática a fin de
estimar la evolución en los casos de contagio y muertes. Así mismo, se describe la
metodología utilizada y se presenta la estimación del momento en donde tiene lugar el
pico (turning point) para los casos diarios de contagios y muertes. La quinta sección
presenta los resultados de un ejercicio preliminar de estimación del impacto de las
medidas de confinamiento sobre los nuevos casos diarios reportados de contagio y de
muertes. La última sección presenta una serie de comentarios finales a manera de
discusión.
NÚMERO DE REPRODUCCIÓN EFECTIVO Y DINÁMICA DEL CONTAGIO COVID-19
Esta sección sigue de cerca la exposición realizada por Arroyo-Marioli et al. (2020) a
partir del modelo básico original de Kermack y MacKendrick (1927).2 El modelo
estándar describe la evolución diaria de los susceptibles ( ), infectados ( ) y
recuperados ( ) (SIR) a partir de las ecuaciones 1, 2 y 3, las cuales se presentan en
forma discreta:
(Ec. 1)
(Ec. 2)
(Ec. 3)
2
Veinte años después de la aparición de la peste bubónica que afectó a Mumbai en 1905-1906, Kermack y McKendrick
intentaron responder la siguiente pregunta: ¿cómo se puede prevenir una pandemia? Para tal efecto, construyeron un modelo
dinámico para ajustar los datos al modelo estadístico y encontraron que la evolución de una epidemia tiene la forma de una u
invertida, que es lo que se conoce hoy en día como la curva epidemiológica.
En donde es el tamaño de la población, la tasa de crecimiento diaria del número de

contagios de COVID-19 y la tasa de transición diaria del estado de infectado a
recuperado. El grupo de individuos recuperados está conformado por aquellos que no
han muerto y se han recuperado completamente.
El número básico de reproducción ( ) se define como la relación entre la tasa de

crecimiento de propagación de la enfermedad y la tasa diaria de transición (es decir,
⁄ ), y muestra el número esperado de personas contagiadas por un individuo
contagiado dentro de una población de individuos susceptibles de adquirir la
enfermedad. Por su parte, el número de reproducción efectiva ( ) se define como
( ⁄ ), y es igual al número esperado de individuos infectados por una
persona infectada cuando una facción ( ⁄ ) de individuos es susceptible.
A partir de las ecuaciones 1, 2 y 3, la tasa de crecimiento diaria del número de

individuos infectados es:
( ) ( ) (Ec. 4)
Si se denota la tasa de crecimiento estimada de individuos infectados por ̂( ),

asignando un valor para la tasa de transición , se puede reordenar la ecuación 4 para
obtener finalmente la tasa de “reproducción efectiva”, que mide la variación porcentual
en el número de contagios en un periodo determinado:
̂( )
(Ec. 5)
̂( )
̂ (Ec. 6)
La tasa de reproducción efectiva que se muestra en la ecuación 5 se ha convertido en

un concepto clave para prevenir la aparición de una pandemia (como la de COVID-19)
e implementar medidas tendientes a aplanar la curva de contagios.3 Sin embargo, de
acuerdo con el instituto alemán de virología Robert Koch, la tasa de reproducción
efectiva ( ̂ ) debe ser distinguida del número de reproducción básico (Ro) y del número
de reproducción efectivo ( ). Mientras que (ver ecuación 3) indica cuántas personas
se infectan, en promedio, después de tomar medidas de contención o una parte de la
población es inmune, Ro describe cuántas personas son contagiadas por una persona
infectada sin medidas de contención. De modo que, asume que nadie ha sido
vacunado, nadie tuvo la enfermedad y, por lo tanto, es inmune y que no hay manera de
frenar la propagación. De esta forma, cuando el número básico de reproducción ( ) es
mayor que uno (1) quiere decir que la enfermedad se está propagando y el número de
3
Se trata simplemente de disminuir la propagación del virus con el fin de que el número de casos se distribuya a lo largo del
tiempo, en vez de tener fuertes disparadas de la enfermedad y evitar el colapso de los sistemas de salud, al tiempo que se permite
el aplazamiento del pico en la curva de contagios.
contagio está en aumento. De otro lado, cuando este es menor a 1, durante la

propagación se infectan cada vez menos personas, en cuyo caso se podrá contener la
propagación del virus.
De acuerdo con especialistas en epidemiología, parecería que la fase ascendente de la

curva de contagios coincide con valores mayores a uno en el número básico de
reproducción y que el número de contagios se incrementa con mayor rapidez. De igual
forma, cuando se alcanza el pico y el número de contagios comienza a decrecer, el
número de reproducción básico toma valores menores a 1 y es posible la contención
del virus. Con el fin de ilustrar este fenómeno, en la figura 1 se ha realizado una
simulación de la distribución de una enfermedad (en este caso, COVID-19) de manera
aleatoria a partir de una distribución gaussiana.4 Es importante resaltar que no se trata
de una simulación realizada a partir de un modelo epidemiológico con ecuaciones
diferencias tipo SIR, sino que simplemente se generan (de manera aleatoria) diferentes
números usando una distribución gaussiana y se ajustan los datos a una curva no
lineal, utilizando para ello el programa STATA 15.
Figura 1. Distribución Gaussiana del COVID-19 en Colombia
Fuente: elaboración propia con información del Ministerio de Salud de Colombia.

Ajuste de la curva realizado a partir de simulación STATA 15.
La curva azul punteada es un escenario en donde el número de casos crece de forma

rápida en ausencia de algún tipo de intervención por parte del gobierno, es decir, sin la
4
La función presenta la siguiente forma ( ) { ⁄ √ } [ ( ) ⁄ ]
implementación de distanciamiento social o la implementación de métodos de testeo

rápido para diagnosticar el virus.
En el tramo izquierdo de la curva el número básico de reproducción sería mayor a 1 y

el número de personas contagiadas iría en aumento hasta llegar al punto más alto de
contagios (pico). Por su parte, la curva punteada de color naranja es la distribución del
virus con intervención del gobierno y todavía con un valor de , cuyo efecto sería
aplazar el pico de contagio y aplanar la curva. La curva de color rojo sería el escenario
ideal, es decir, aquel donde se ha logrado el aplanamiento de la curva con una
estrategia de contención del virus encaminada a evitar el colapso del sistema de salud
y los valores de menores a uno (1) se ubicarían en la parte derecha de la curva, lo
que implica que el número de contagios sería decreciente en el tiempo. De acuerdo con
la simulación, al parecer, Colombia está transitando aún en la curva naranja y el
escenario ideal a alcanzar sería la curva roja.
Es importante resaltar que la dinámica que exhibe la distribución en la figura 1 depende

del valor del número básico de reproducción de la enfermedad, que en Colombia
actualmente es mayor a uno y se encuentra en el tramo ascendente de la distribución
mostrada. En efecto, de acuerdo con estimaciones de Arroyo-Marioli et al. (2020),5 en
Colombia, a comienzos de la pandemia este se encontraba alrededor de 2,6,
presentando un descenso gradual hasta el 14 de abril de 2020 (1,32). A partir de esa
fecha el número se ha mantenido más o menos constante. Sin embargo, el 5 de mayo
incrementa a 1,48, período que coincide con un aumento significativo en el número de
casos de COVID-19 en el país, tal como se puede apreciar en la figura 2, la cual
incluye sus respectivos intervalos de confianza.
5
Las estimaciones realizadas por el autor se pueden obtener en tiempo real para todos los países del mundo en: http://trackingr-
env.eba-9muars8y.us-east-2.elasticbeanstalk.com.
Figura 2. Número de reproducción efectiva (R) e intervalos de confianza
Fuente: elaboración propia con base en datos de Arroyo-Marioli et al. (2020).
Análisis descriptivo de las tendencias del COVID-19
Antes de mostrar los resultados de la estimación, la figura 3 presenta las trayectorias

de los contagios y muertes por COVID-19 en escala logarítmica y las tendencias
recientes seguidas por estas variables mediante la estimación de polinomios locales.
Este proceso se realiza utilizando la información reportada oficialmente por el Ministerio
de Salud con el fin de determinar gráficamente los posibles quiebres experimentados
para el total nacional y las ciudades seleccionadas.
Figura 3. Número de contagios y muertes por COVID-19 en Colombia
Fuente: elaboración propia con datos del Ministerio de Salud.
El comportamiento de casos y muertes a nivel nacional y en Bogotá sigue trayectorias

similares a pesar de que los niveles son diferentes; esto se debe, en parte, a los
tamaños de población. Las tasas de crecimiento promedio día de contagios a nivel
nacional y Bogotá son 27,3 y 26,8 %, respectivamente, lo que implica una expansión
veloz del virus en estas regiones. Por su parte, las tasas de crecimiento promedio día
de fallecimientos a nivel nacional y Bogotá son 25,5 y 17,9 %, respectivamente. De
igual forma, se destaca la dinámica de la tasa de fallecidos en Leticia, ciudad que
presenta un crecimiento promedio diario de 22,9 %, una de las más altas después de
Bogotá.
Figura 4. Casos diarios de contagios no acumulados y tendencias del COVID-19
Figura 5. Muertes diarias y tendencias del COVID 19

Las figuras 4 y 5 presentan las tendencias de contagios y fallecimientos por COVID-19

y sus respectivas tendencias estimadas por suavizamiento exponencial, destacando el
decrecimiento en Bogotá y Colombia, sobre todo a finales del mes de mayo. A partir de
la evolución y la tendencia que exhiben los nuevos contagios y muertes, se deduce que
la trayectoria se podría representar por modelos cuadráticos susceptibles de estimar a
partir de la información disponible.
Resulta interesante analizar la evolución de los contagios por el nuevo coronavirus y el

número de reproducción efectiva ( ) discutido en la sección 2. La figura 6 compara la
tasa de crecimiento diaria de los casos activos6 con el número (medido en escala
derecha) desde el momento en que se registra el primer caso en el país. Se observa
que las dos variables evolucionan en la misma dirección, de tal forma que cuando el
valor de incrementa así mismo aumenta la velocidad de propagación del virus y
existirán más personas contagiadas. Lo anterior evidencia que las medidas de
contención de la pandemia a partir de políticas públicas implementadas por el Gobierno
debe tener en cuenta la evolución de esta variable. Así mismo, si se quiere extrapolar
los casos futuros de contagios y muertes, es necesario tener presente este factor en las
ecuaciones o curvas estimadas, tal como se hace en el presente trabajo.
Figura 6. Contagios por COVID-19 y número de reproducción efectiva
6
Al número de contagios diarios se resta el número de recuperados y el número de fallecidos.
REVISIÓN DE LA LITERATURA
El fuerte impacto económico que ha tenido la pandemia de COVID-19 ha despertado el

interés de los economistas por estudiar y cuantificar sus efectos sobre la economía a
partir de modelos de comportamiento del virus y cómo estos se pueden abordar desde
los modelos económicos convencionales, para lo cual, metodológicamente, se ha
utilizado la econometría (ver Stock [2020] y Avery et al. [2020] para conocer un
importante resumen de trabajos en esta línea).
De acuerdo con Fernández-Villaverde y Jones (2020), los economistas han

argumentado que muchos de los parámetros de los modelos económicos que recogen
el nexo entre diferentes variables económicas no son estructurales, en el sentido de
Hurwicz (1962), sino que dependen del comportamiento de los agentes y de las
decisiones de política económica. Por ejemplo, la tasa de contactos entre personas que
determina el número de nuevas infecciones es función de la oferta laboral, que es
endógena, y de las decisiones de consumo de los individuos. En este sentido, la
evolución y los efectos del virus pueden ser abordados desde este enfoque, como se
hace, por ejemplo, en los trabajos de Eichenbaum et al. (2020) y Farboodi et al. (2020).
De igual forma, las tasas de recuperación y muertes por la pandemia, como parámetros
clínicos, podrían ser función de decisiones de política pública tales como la expansión
de la capacidad hospitalaria o las prioridades en la asignación de pacientes a las
diferentes unidades de cuidados intensivos (UCI). Así mismo, la tasa de mortalidad es
un parámetro clave para analizar la severidad de la epidemia. Esta tasa se caracteriza
por ser una función compleja de parámetros clínicos y demográficos y de los
mecanismos de selección de la enfermedad, los cuales podrían ser el resultado de
decisiones endógenas (Korolev, 2020).
El artículo de Fernández-Villaverde y Jones (2020) recoge todas estas ideas con el fin
de permitir que las tasas de contagio del COVID-19 estén influenciadas por las políticas
de distanciamiento social y por varios parámetros que varían entre países, estados y
ciudades, los cuales se constituyen en buenas proxies de la demografía y de la
heterogeneidad que existe detrás de la evolución de la pandemia. En este sentido,
estos autores parten de los modelos epidemiológicos básicos en tiempo discreto, pero
incluyen el efecto de las políticas de distanciamiento social y los calibran de forma que
al incorporar estas medidas se pueden realizar simulaciones para la tasa de letalidad
en diferentes escenarios. Los autores concluyen que los modelos siguen muy de cerca
la dinámica del virus a nivel mundial y que esta se encuentra influenciada por el
comportamiento de los individuos y responde a las medidas de política implementadas
por los gobiernos.
Otro conjunto de trabajos relacionados con la “economía del COVID-19” se

caracterizan porque no estudian problemas relacionados con identificación en los
modelos de comportamiento económico; distinguidos por tener un número muy amplio
de parámetros que se estiman a partir de los datos observados que, en ocasiones, no
son identificados o se encuentran débilmente identificados. De otro lado, algunos
investigadores han ignorado por completo el uso de modelos comportamentales y han

optado por análisis de series de tiempo para determinar la trayectoria seguida por el
nuevo Coronavirus, por ejemplo, los trabajos de Linton y Shaoran (2020), Arroyo-
Marioli et al. (2020) y Liu et al. (2020). En efecto, el trabajo de Linton y Shaoran (2020),
a partir de la evolución de los casos diarios de COVID-19 en diferentes países del
mundo, aplica modelos con tendencia cuadrática con el fin de estimar el momento en
donde se alcanza el pico de contagio en términos de nuevos contagios y muertes
generadas por el nuevo coronavirus. Este autor encuentra que para el caso del Reino
Unido el pico ocurriría en las siguientes dos semanas después de la elaboración de sus
estudios y que el número total de caos diarios en el pico sería 8.000.
Un enfoque de investigación de moda por estos días se caracteriza por utilizar modelos
comportamentales más sofisticados que involucran múltiples dimensiones. Acemoglu et
al. (2020), Alvarez et al. (2020) y Chari et al. (2020) describen las políticas óptimas de
aislamiento implementadas por un planeador que quiere controlar el número de
muertes de una pandemia mientras minimiza los costos asociados a las políticas de
aislamiento social. Berger et al. (2020) analizan el impacto de la realización de pruebas
para detectar el número de infectados y el efecto de las cuarentenas. Bethune y
Korinek (2020) estiman las externalidades negativas derivadas de la pandemia y
encuentran que estas son bastante fuertes. Por su parte, Bodenstein et al. (2020)
combinan modelos comportamentales con modelos de equilibrio general computable
multisectoriales para cuantificar los efectos a partir de matrices insumo-producto para
Estados Unidos. Garriga et al. (2020), Hornstein (2020) y Karin et al. (2020) estudian
una gran variedad de medidas de contención del virus. Además, Toda (2020) estima
modelos epidemiológicos SIR con el fin de estimar la política óptima de mitigación
controlando factores como el período y la intensidad del distanciamiento social.
Un gran conjunto de trabajos se ha concentrado en estudiar los efectos

macroeconómicos del COVID-19. Ludvigson et al. cuantifican los impactos
macroeconómicos de los costos y los desastres mortales en la historia reciente de
Estados Unidos a causa del COVID-19. Estos autores construyen una serie de
desastres macroeconómicos y estiman un VAR para el período 1980: 1 a 2019: 12,
encontrando que los efectos se concentran más en pérdidas de empleo antes que
destrucción del stock de capital, afectando principalmente la salud y el bienestar del
capital humano. Por su parte, Chang y Velasco (2020) analizan los efectos endógenos
de las políticas económicas y de los incentivos implícitos y explícitos que estas ofrecen,
a partir de un modelo económico de la pandemia que contempla las decisiones que
toman los individuos relacionadas con la propagación del virus. Los autores encuentran
que la velocidad del virus está influenciada por la política pública vía incentivos, y que
las políticas de salud pública y las políticas macroeconómicas pueden ser
complementadas con el fin de reducir los costos de la pandemia y la reducción de la
propagación del virus. Lin y Meissner (2020) estudian el impacto de las políticas de
intervención no farmacéuticas como “quedarse en casa” (cuarentena) sobre la
velocidad de propagación del virus, identificando que las políticas locales tienen un
pequeño impacto sobre la economía, contrario al efecto generado por las políticas de
salud. Por otro lado, estos autores también encuentran que existe una relación muy
débil entre la cuarentena y la propagación del virus —que está más relacionada con
una mayor actividad residencial— y que los spillovers derivados de la política
económica y respuestas comportamentales son muy importantes para la contención del
virus.
Aum et al. (2020) construyen el modelo cuantitativo de una economía golpeada por una
pandemia en donde los agentes difieren en edades y habilidades y eligen sus
ocupaciones con el fin de maximizar su ingreso y minimizar el miedo a la infección. A
partir de la calibración del modelo, estos autores replican la propagación del COVID-19
en Corea del Sur y Reino Unido, hallando que las medidas de aislamiento no presentan
un claro trade off entre el PIB y las políticas de salud, como comúnmente se cree.
Además, encuentran que si el gobierno del Reino Unido hubiera adoptado las políticas
implementadas por Corea del Sur, las pérdidas en producción (PIB) y el aumento en el
número de contagios podrían haber sido sustancialmente menores tanto en el corto
como en el largo plazo.
Gregory et al. (2020) desarrollan y calibran un modelo de búsqueda de trabajo con el

fin de pronosticar la evolución del mercado laboral de Estados Unidos durante y
después de la pandemia. El modelo está diseñado de tal forma que permite capturar la
heterogeneidad de transición de los trabajadores en los estados de empleo-desempleo
y entre diferentes empleadores. Los resultados muestran que las medidas de
aislamiento encaminadas a contener la propagación del nuevo coronavirus generan
importantes efectos negativos sobre la tasa de desempleo debido a la dificultad de
recuperar los empleos perdidos por aquellos trabajadores que han tomado años en
conseguirlos.
Para el caso colombiano existen varias investigaciones que intentan medir el impacto
del nuevo coronavirus sobre la economía y la evaluación de las medidas de
aislamiento. El trabajo de Cordovez et al. (2020) utiliza un modelo matemático para
estudiar la dinámica de contagio del COVID-19 en un ambiente urbano realista y
evaluar el efecto que pueden tener las medidas de mitigación de la propagación del
nuevo coronavirus en Bogotá. Igualmente, estos autores evalúan el efecto de abrir
gradualmente sectores de la economía y la reapertura de colegios (públicos y privados)
y universidades sobre el sistema de salud y el posible rebrote de la infección después
del período de análisis. El estudio encuentra que las medidas de mitigación
implementadas permiten aplazar el crecimiento exponencial de los contagios, pero no
evitan que se exceda la capacidad de camas en las UCI. Por otro lado, la duración de
la restricción en el tiempo o la proporción de personas que cobija la norma tienen
siempre el mismo efecto de desplazar la curva de contagios en el tiempo. Así mismo, el
cierre de universidades y colegios es menos eficiente en aplacar el crecimiento de la
curva comparado con la restricción de la movilidad de adultos. Otros resultados
importantes de este trabajo señalan que los efectos de restringir los sectores
económicos son determinantes para no exceder la capacidad del sistema de salud en
el mes de junio y que una restricción de la economía que genere una disminución de la
movilidad durante el mes de junio de 60 % es lo mínimo para no exceder la oferta de

UCI.
Por otra parte, el trabajo de Álvarez et al. (2020) presenta una descripción de la
situación de la propagación del COVID-19 en Colombia, a partir de la cual formulan
propuestas de política con el fin de contener el contagio y ajustar la infraestructura de
salud, mitigar los efectos nocivos de la crisis sobre la incidencia de la pobreza y
proteger el empleo formal para ayudar a la supervivencia de las firmas. Los autores
concluyen que el confinamiento fue una medida necesaria para suavizar el aumento de
la tasa de contagios y preparar la infraestructura de salud para encarar efectos
adversos. Así mismo, afirman que mientras dure el confinamiento será necesario
realizar transferencias monetarias no condicionadas suficientes a los hogares que se
ven afectados por la parálisis.
De otro lado, Bardey et al. (2020) realizan un análisis gráfico del impacto potencial de
medidas de contención tales como el confinamiento y restricciones a la movilidad. A
partir de la estimación de correlaciones entre la diferencia de logaritmos (tasa de
crecimiento) de los casos acumulados de nuevos contagios y el número de muertes,
estos investigadores encuentran que dichas políticas producen efectos inmediatos
sobre el crecimiento de los casos de contagio y la tasa de crecimiento del número de
muertes, las cuales han sufrido un retraso después de las medidas implementadas. De
acuerdo con los autores, el análisis gráfico es consistente con las características
epidemiológicas del virus y sugiere que las políticas implementadas han tenido un
efecto significativo sobre la tasa de crecimiento de nuevos contagios y el número de
muertes.
Un enfoque regional de los efectos del nuevo coronavirus sobre la actividad económica
se presenta en el trabajo de Bonet-Morón et al. (2020). El estudio evalúa el impacto
económico regional y sectorial de las medidas de aislamiento preventivo ordenadas por
el Gobierno Nacional para evitar los efectos nocivos del nuevo coronavirus. A partir de
un modelo de insumo-producto, los autores estiman la pérdida económica en términos
de empleos formales e informales en distintos sectores de la economía. Los resultados
muestran que las pérdidas oscilan entre 4,6 y 59 billones de pesos colombianos por
mes, de acuerdo con los escenarios considerados, las cuales representan entre 0,5 y
6,1 % del PIB nacional. Los departamentos de Antioquia, Boyacá, San Andrés,
Santander y Valle del Cauca aparecen como los más afectados.
MODELACIÓN DE LA DINÁMICA DEL COVID-19
Esta sección sigue de cerca el modelamiento presentado por Linton y Shaoran (2020),
aunque incorpora una ligera diferencia relacionada con la introducción de un vector de
regresores adicionales que explican la trayectoria futura de los nuevos casos, como,
por ejemplo, la evolución del número de reproducción efectiva, ya explicado en la
sección 2.
En este trabajo se utilizan datos diarios de nuevos casos de contagios y muertes a

partir de la información suministrada oficialmente por el Ministerio de Salud. De
acuerdo con esta información, el primer caso en Colombia se registró el 6 de marzo de
2020 (día 1). La información permite tener nuevos casos diarios de contagios y muertes
hasta el 27 de mayo de 2020, lo cual representa 81 días desde el primer caso. Con
base en esta información, la trayectoria de los nuevos casos se puede modelar a partir
de la siguiente ecuación:
( ) ( ) (Ec. 7)
En donde es la tendencia, el número de nuevos casos o nuevas muertes en la

ciudad i, es un vector de variables regresoras, tales como el número de
reproducción efectivo, y el término de error con valor esperado igual a cero.7 La
ecuación 7 se estima a partir de una estructura de datos de corte longitudinal a nivel de
ciudad por diferentes métodos, tal como se expondrá en la siguiente sección.
La ecuación cuadrática
Con el fin de estimar y predecir el futuro pico de contagios y muertes por el nuevo
coronavirus, se utiliza un modelo cuadrático que presenta la siguiente forma:
( ) (Ec. 8)
La expresión mostrada en la ecuación 8 es el modelo cuadrático más simple que

captura la evolución del COVID-19 (figuras 4 y 5) y permite la estimación de los puntos
de inflexión (turning points), los cuales podrían ser interpretados como una
aproximación local a través del suavizamiento de la variable mediante la estimación de
polinomios locales de grado 2. En la ecuación 8 la tendencia promedio será la suma de
los parámetros que acompañan al término lineal y cuadrático de la ecuación, es decir,
. El máximo local de la función tendrá lugar cuando y sucede en el
momento ⁄ , que al ser reemplazado permite obtener el número máximo
8
de casos diarios ( ) ⁄ . Finalmente, el valor de t después del cual

ningún caso podría ser reportado (fin de la pandemia) será igual a la raíz más grande
de ( ) . De manera intuitiva, se puede identificar el punto de inflexión de la función
( ) a partir de la curvatura de la función de regresión cuando se alcanza el punto de
quiebre.
7
Sumar uno (1) al número de casos nuevos solo es necesario para algunas ciudades que tienen un registro de datos muy
dispersos, o cuando al comienzo de la pandemia existían ausencia de datos, es decir, eran iguales a cero.
8
La obtención del máximo local se consigue simplemente al obtener la condición de primer orden e igualando a cero, es decir,
calcular la derivada parcial de ( ) cuando cambia t: ( )⁄ .
La muestra para la estructura de datos de panel a nivel de ciudades está conformada

por 8 ciudades, más Colombia, para un total de 9 unidades de sección cruzada.9 La
selección de estas ciudades se basó en el criterio de ser aquellas con el mayor número
de casos reportados y por el hecho de presentar el mayor crecimiento de casos a nivel
nacional.
La tabla 1 presenta un conjunto de estadísticas descriptivas para las principales

ciudades y el total nacional de los datos más recientes de nuevos contagios y muertes.
Se destaca el número promedio de contagios y muertes de Bogotá, Cali, Villavicencio y
Cartagena. La ciudad con el menor número de contagios y muertes, hasta el momento,
sigue siendo Medellín.
Tabla 1. Estadísticas descriptivas sobre COVID-19
Barranquilla Bogotá Cali

Variables N mean Max Min Stdv N Mean Max Min Stdv N Mean Max Min Stdv
Casos 85 346 2,774 0 0 85 2,394 7,743 1 1 85 662.1 2,228 0 0

Fallec 85 10,46 28 0 0 85 92.58 218 0 0 85 35.74 65 0 0
R 85 1.643 2.197 1.29 1.293 85 1.632 2.197 1.29 1.293 85 1.632 2.197 1.293 1.29
Grupos 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9
Cartagena Colombia Leticia

Casos 85 394.7 1,968 0 0 86 6,218 23,003 1 1 86 336.6 1,791 0 0

Fallec 85 24.58 68 0 0 86 284.3 776 0 0 86 11.76 32 0 0
R 85 1.632 2.197 1.29 1.293 86 1.639 2.197 1.29 1.293 86 1.639 2.197 1.293 1.29
Grupos 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9
Medellín Neiva Villavicencio

Casos 84 197.8 491.7 0 0 84 46.37 278.6 0 0 86 400.5 2,270 0 0

Fallec 84 1.667 3 0 0 84 3.31 5 0 0 86 3.581 7 0 0
R 84 1.636 2.197 1.29 1.293 84 1.636 2.197 1.29 1.293 86 1.639 2.197 1.293 1.29
Grupos 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9
9
Se tiene un panel de datos largo que se caracteriza porque el número de unidades de sección cruzada (ciudades) es menor a la
dimensión temporal (85 días), lo cual es favorable debido a que permite capturar la dinámica del virus y la estimación recursiva
de las tendencias.
Estimación del punto de inflexión (turning point)
Con el fin de estimar y predecir el momento en que tiene lugar el pico y el número
máximo de contagios y muertes, la estrategia de estimación que se siguió fue la
siguiente: En primer lugar, se realizó la estimación dentro de la muestra con los datos
más recientes, es decir, seleccionando una ventana de 30 observaciones y se verifica
que el signo del parámetro estimado que acompaña al término cuadrático de la
ecuación sea menor que cero, ̂ . Después, se reemplaza el valor de ̂ en la
ecuación con el fin de encontrar el máximo número de casos al interior de la muestra.
Finalmente, para predecir el pico de infección fuera de muestra, se realizan pronósticos

para cada una de las ciudades de manera separada y se realiza la estimación rolling
window con la estructura de datos de panel identificando el máximo número de casos y
el momento en que este tiene lugar.
Tabla 2. Estimación de la ecuación cuadrática de forma recursiva por rolling window

(variable dependiente: logaritmo de contagios)
Ventana de 30 días iniciando el día 27 de mayo hasta el 27 de junio de 2020

Parámetros B/quilla Bogotá Cali C/gena Colombia Leticia Medellín Neiva V/vicencio
_R2 0.951 0.997 0.995 0.994 0.997 0.988 0.985 0.981 0.912
_b_t 0.0549 0.0482 0.0604 0.0771 0.0558 0.124 0.0306 0.0788 0.0442
- -4.38e- - - -
_b_t2 0.000326*** -0.000258*** 0.000268*** 0.000901***
0.000485*** 05*** 0.000198*** 0.000168*** 0.000487***
_b_R -2.011 -0.263 0.172 -0.333 -0.209 -0.394 0.136 0.966 -3.805
_b_cons 6.586 7.214 5.024 4.122 7.746 2.631 4.728 0.388 9.43
Ventana de 50 días iniciando el día 1 de junio hasta el 5 de julio de 2020
_R2 0.98 0.997 0.995 0.994 0.997 0.987 0.983 0.984 0.914
_b_t 0.0642 0.0484 0.0529 0.0586 0.0533 0.139 0.0324 0.0723 0.093
-
_b_t2 0.000266** -0.000287*** -0.000442** 0.000212** 0.000182*** -0.000179** -0.000486** 0.000406***
0.000200***
_b_R -0.968 -0.0239 -0.00324 -0.428 0.156 2.173 -0.386 1.12 -1.801
_b_cons 4.764 6.935 5.511 4.512 7.356 -1.465 5.398 0.53 5.56
Ventana de 60 días iniciando el día 12 de mayo hasta el 15 de julio de 2020
_R2 0.981 0.998 0.995 0.995 0.998 0.986 0.986 0.984 0.947
_b_t 0.0682 0.0478 0.0465 0.0509 0.0523 0.168 0.0307 0.0744 0.13
- - - - -
_b_t2 0.000273*** -0.000258*** 0.000311*** -0.000422**
0.000296*** 0.000169*** 0.000372*** 0.000175*** 0.000168***
_b_R -0.235 -0.0336 -0.169 -0.573 0.148 3.099 -0.455 1.127 -0.348
_b_cons 3.647 6.968 5.862 4.875 7.396 -3.211 5.547 0.501 2.832
*** p < 0.001, ** p < 0.05

El método de estimación recursiva por rolling window permite que los parámetros de la
ecuación 8 cambien a través del tiempo y entre ciudades, lo cual se puede percibir en
la tabla 2. Los resultados muestran un buen ajuste de las estimaciones, como se
evidencia en los altos valores del para todas las ciudades. Los valores estimados
del parámetro que acompaña al término cuadrático del tiempo (_b_t2) tiene el signo
negativo esperado, lo que implica la presencia de un máximo local en las unidades de
sección cruzada de la estructura de datos de panel y que, además, son
estadísticamente significativos y diferentes a cero. No obstante, el signo negativo
depende de la ventana escogida en la estimación recursiva. Por ejemplo, para una
ventana de 30 días iniciando el 27 de mayo, el pico de contagio se alcanzaría el
próximo 27 de junio en la mayoría de ciudades, incluida Colombia, excepto en
Barranquilla, Leticia y Villavicencio. Cuando se escoge una ventana de 50 días
iniciando el 1 de junio, el pico de contagio se alcanzaría el próximo 5 de julio en
Bogotá, Cali, Colombia, Medellín y Neiva, mientras que en Barranquilla, Cartagena y
Leticia se esperaría un pico mucho más alto.
La tabla 3 presenta los resultados de la estimación de la ecuación cuadrática de forma

recursiva usando la técnica de rolling window para el logaritmo de fallecidos.
Tabla 3. Estimación de la ecuación cuadrática de forma recursiva por rolling window

(variable dependiente: logaritmo de fallecidos)
Ventana de 30 días iniciando el día 27 de mayo hasta el 27 de junio de 2020

_R2 0.915 0.981 0.932 0.967 0.989 0.909 0.886 0.79 0.885
_b_t 0.0811 0.0389 0.0841 0.0877 0.0597 0.155 0.0969 0.0184 0.0442
- - -
_b_t2 0.0000538*** -0.00117** -0.00393** -0.00201*** -0.00181*** 0.000222***
0.00155*** 0.00669*** 0.000791**
_b_R 1.105 -0.153 0.406 1.098 -0.0164 1.393 0.595 0.128 -0.348
_b_cons -0.75 4.452 2.733 0.302 5.061 -3.353 -0.019 1.353 1.925
Ventana de 50 días iniciando el día 1 de junio hasta el 5 de julio de 2020
_R2 0.949 0.981 0.9 0.976 0.991 0.934 0.896 0.798 0.833
_b_t 0.0788 0.0336 0.0601 0.0649 0.0497 0.133 0.0447 0.0263 0.0669
- - - - - -
_b_t2 -0.000348*** -0.00056*** -0.0014***
0.000692*** 0.000721*** 0.00095*** 0.00151*** 0.000629*** 0.00222***
_b_R 1.533 -0.16 -0.0866 0.803s -0.251 5.114 -0.0102 0.142 0.0634
_b_cons -1.207 4.425 3.429 0.878 5.346 -7.235 1.03 1.267 1.096
Ventana de 60 días iniciando el día 12 de mayo hasta el 15 de julio de 2020
_R2 0.96 0.982 0.936 0.981 0.991 0.939 0.898 0.803 0.848
_b_t 0.0795 0.0313 0.0561 0.057 0.0472 0.147 0.0466 0.0253 0.0574
- - - - - -
_b_t2 -0.000508*** -0.000431** -0.0011*
0.000272*** 0.00115*** 0.000471*** 0.00134*** 0.000471*** 0.00129***
_b_R 1.396 -0.089 -0.215 0.5 -0.191 5.26 -0.00603 0.142 0.119
_b_cons -1.003 4.329 3.584 1.435 5.265 -7.658 0.863 1.242 0.979
***p < 0.001, **p < 0.05
Los resultados muestran un buen ajuste de la ecuación cuadrática a los datos

observados, lo cual se evidencia en los altos valores del en todas las ecuaciones de
las ciudades. Los valores estimados del parámetro que acompaña al término cuadrático
del tiempo (_b_t2) tienen el signo negativo esperado, lo que muestra que muy pronto
se presentará un máximo local para la curva de fallecidos en las unidades de sección
cruzada de la estructura de datos de panel, siendo además estadísticamente
significativos y diferentes a cero. Como en el caso de la curva de contagios, el signo
negativo depende de la escogencia de la ventana en la estimación recursiva. Por
ejemplo, para una ventana de 30 días iniciando el 27 de mayo, el pico de fallecidos se
alcanzaría el próximo 27 de junio en la mayoría de ciudades, incluida Colombia,
excepto en Barranquilla y Neiva. Al escoger una ventana de 50 días que inicia el 1 de
junio, el pico de fallecidos se alcanzaría a comienzos de julio en todas las ciudades. El
mismo resultado se obtiene cundo se escoge una ventana de tiempo mucho más
amplia, por ejemplo de 60 días, la cual comienza el 12 de mayo, en cuyo caso el pico
se alcanzaría en la mayoría de unidades de sección cruzada, incluida Colombia, el día
15 de julio. Es importante resaltar que el registro de datos oficiales para contagios y

fallecidos está sujeto a márgenes de error asociados al rezago que se presenta en el
momento de realizar las pruebas y el momento en que se tiene los resultados, que en
el caso de Colombia es aproximadamente 10 días, lo cual podría afectar las
estimaciones de los máximos alcanzados en el punto de inflexión (turning point).
Las figuras 7 y 8 presentan la evolución en el tiempo de los parámetros estimados de

manera recursiva por rolling window para el término cuadrático en las ecuaciones de
contagios y fallecidos, con sus correspondientes intervalos de confianza. La trayectoria
del parámetro estimado del término cuadrático en la ecuación de fallecidos se
encuentra dentro de los límites inferior y superior construidos a partir de un nivel de
confianza de 95 %, capturando muy bien la dinámica de los máximos alcanzados,
sobre todo para las ciudades de Barranquilla, Neiva, Leticia y Villavicencio. En
particular, para Leticia y Villavicencio, las figuras evidencian dos puntos de inflexión, lo
que podría indicar posiblemente un rebrote del virus después del mes de agosto,
resultado que es acorde con el trabajo de Cordovez et al. (2020), quienes encuentran
que para evitar una segunda ola que exceda la capacidad del sistema, la ciudad debe
llegar a 40 % de recuperados (asumiendo generación de inmunidad). Esta cifra solo se
logra permitiendo que las infecciones estén alrededor de 40 infectados por 100.000
habitantes por día durante los tres meses siguientes al mes de agosto.
Figura 7. Parámetro estimado del término cuadrático (ecuación de contagios)

Figura 8. Parámetro estimado del término cuadrático (ecuación de fallecidos)
La figura 8 presenta la evolución en el tiempo del parámetro estimado del término

cuadrático en la ecuación de fallecidos, el cual se encuentra dentro de los
correspondientes intervalos de confianza al 95 %. La evolución del parámetro es
consistente con el pico alcanzado en un lapso de 7 semanas a partir del inicio de la
ventana de estimación, que es el 27 de mayo, y es muy marcado en el caso de Leticia,
donde al parecer existen por lo menos dos puntos de inflexión.
La tabla 4 presenta la estimación del punto de quiebre en la curva de contagios para

las unidades de sección cruzada seleccionadas cuando el parámetro estimado ( ̂ )
que acompaña al término cuadrático de la ecuación 8 de nuevos contagios es negativo.
Así mismo, esta presenta el punto de inflexión (tmax) que se alcanza cuando el
parámetro estimado que acompaña al término cuadrático resulta ser negativo, junto con
sus correspondientes intervalos de confianza al 95 %.
Tabla 4. Punto de inflexión estimado en días para curva de contagios
Variables Barranquilla Bogotá Cali C/gena Colombia Leticia Medellín Neiva V/vicencio
Tmax 134.5 142 55.77 6.384 72.8 42.23 112 100.5 65.19
Inferiort 128.3 135.8 62 4.153 66.57 36 110 94.23 58.96
Superiort 140.7 148.2 49.54 12.61 79.03 48.46 123 106.7 71.42
Número Máximo de Contagios en el Pico Estimado*
Zmax 9.186 10.03 5.521 6.28 9.587 7.449 1.93 4.073 7.149
Inferiorz 7.032 8.187 1.325 0.566 2.74 5.397 1.24 2.774 5.303
Superiorz 10.661 11.03 12.37 13.13 16.43 8.296 1.61 10.92 14
Nota: estimación a partir del 4 de abril de 2020.

A nivel nacional, el pico se alcanzaría aproximadamente en 73 días (18 10 de agosto)

cuando la ventana de estimación comienza el 8 de junio, con un valor máximo de 80
días (26 de agosto). En ciudades como Barranquilla, Bogotá y Neiva el pico se
alcanzaría aproximadamente a finales del mes de agosto. Por ejemplo, en Bogotá
llegaría en 142 días, en Barranquilla en 134 y en Neiva en 100 días. El pico habría
llegado más rápido en ciudades como Cartagena (6,3 días) y Cali (56 días) después del
27 de mayo.
Por su parte, el número promedio de nuevos contagios en el pico para Bogotá serían
de 22.026, con un intervalo máximo de 59.874 nuevos casos diarios y un mínimo de
8.103.11 Sin embargo, el número de casos acumulados (calculados como la sumatoria
desde el 20 de abril, tal como se explica en el apéndice) serían 71.080 por millón de
habitantes en una ventana de estimación de 60 días. El número promedio de contagios
en el máximo en Barranquilla sería de 9.701, con un intervalo máximo de 40.134 y un
mínimo de 1.130 contagios. El acumulado de contagios desde el 27 de mayo hasta el
máximo en Barranquilla sería de 82.284 contagios. Para ciudades como Leticia,
Cartagena y Villavicencio, que han presentado tasas de crecimiento altas, el número
promedio de contagios en el pico sería de 1.808, 544 contagios y 1.261,
respectivamente, números que se encuentran dentro de los intervalos de confianza
construidos al 95 %. Sin embargo, en el acumulado, desde el 27 de mayo el número
máximo de contagios para estas mismas ciudades serían 3.866, 5.038 y 3.564
contagios por millón de habitantes, respectivamente.
La tabla 5 presenta la estimación del pico y el número máximo de fallecimientos a partir

de la estimación recursiva de la ecuación cuadrática para cada una las unidades de
sección cruzada mediante el método de rolling window. De igual forma, presenta el
10
Este resultado coincide con pronósticos que utilizan modelos epidemiológicos más elaborados, como los del profesor Diego
Rosselli, quien encuentra que el pico se alcanzaría el 28 de agosto, con más de 10 mil casos diarios. Este pico se mantendría más
o menos hasta el 22 de octubre. De ahí en adelante, los contagios se reducen de manera gradual.
11
Dado que los valores se encuentran en logaritmos, los niveles de contagios se calculan tomando el exponencial de ese número
promedio.
punto de inflexión (tmax) que se alcanza cuando el parámetro estimado que acompaña
al término cuadrático resulta ser negativo, así como sus correspondientes intervalos de
confianza al 95 %.
Tabla 5. Punto de inflexión estimado en días para Curva de Fallecidos*
Tmaxf 73.13 208.6 40.69 114.6 95.34 30 40.04 28.19 44.34
Inferiortf 68.72 204.2 36.28 110.2 90.93 25.59 35.63 23.78 39.93
Superiortf 77.54 213 45.1 119 99.75 34.41 44.45 32.6 48.75
Número Máximo de Fallecidos en el Pico Estimado*
Zmaxf 2.228 6.723 3.88 4.556 6.99 4.995 0.679 1.587 2.736
Inferiorzf 0.823 5.318 2.475 3.151 5.585 3.589 0.726 0.182 1.33
Superiorzf 3.633 8.128 5.285 5.962 8.395 6.4 2.085 2.993 4.141

A nivel nacional, el pico de la curva de fallecimientos se alcanzaría aproximadamente

en 95 días (10 de septiembre) cuando la ventana de estimación comienza el 8 de junio,
con un valor máximo de 99 días (14 de septiembre). En ciudades como Bogotá
sorprende que el pico llegaría solo hasta octubre, lo cual se podría explicar si se
presenta una segunda ola o rebrote de la epidemia, como lo han estimado Cordovez et
al. (2020). El pico de fallecidos habría llegado más rápido en ciudades como Neiva (28
días) y Leticia (30 días) en el mes de mayo. El número promedio de fallecidos en el
pico en Bogotá sería del orden de 8.124 personas, con un intervalo máximo de 33.610
y un mínimo de 2.003 contagios. El número promedio de fallecidos durante el pico en
Medellín sería de 2.085. A nivel nacional, el promedio de fallecidos en el pico sería del
orden de 10.966, con un intervalo máximo de 44.471 y un mínimo de 2.704 individuos.
La estimación de las ecuaciones de contagios y fallecidos por medio de la técnica de

rolling window permite predecir el comportamiento de estas dos variables a través del
tiempo y determinar si el pico habría llegado antes de lo previsto. En las figuras 9 y 10
se presenta la evolución de la variación absoluta de los contagios y fallecimientos. A
nivel nacional, un primer pico habría llegado, al parecer, el pasado 6 de mayo y un
segundo pico el 9 de junio. A partir de este momento, la predicción de la variación
absoluta del número de casos activos (descontando fallecidos y recuperados)
comienza a descender gradualmente, y de acuerdo con la estimación del momento en
donde no existiría ningún caso de contagio (to), estos se darían 60 días después de
alcanzarse el pico, es decir, en el mes de octubre, tal como se parecía en la tabla 6.
El mismo comportamiento exhiben ciudades como Bogotá y Barranquilla, donde al

parecer el pico se habría alcanzado el pasado 9 de junio y 26 de mayo,
respectivamente. De acuerdo con las estimaciones de la tabla 8, el momento estimado
(to) donde ya no existirán contagios y fallecimientos después del pico de la pandemia
en Barranquilla y Bogotá sería el 10 de septiembre y el 2 de noviembre,

respectivamente.
Figura 9. Predicción de nuevos contagios (rolling window)

Tabla 6. Estimación del momento en que no existirán contagios (días después del pico)
To 10.37 63.43 32.63 13.07 69.9 54.41 51.49 18.31 8.211
Lower 8.89 61.95 31.15 11.59 68.42 52.93 50.01 16.83 6.74
Upper 11.85 64.91 34.11 14.55 71.38 55.89 52.97 19.79 9.69
Estimación del Momento en Donde no Existirán Fallecidos
To 52.56 0.642 8.576 35.9 2.973 62.87 294.9 14.5 13.76
Lower 50.07 -1.85 6.09 33.41 0.48 60.38 292.41 12.01 11.27
Upper 55.05 3.13 11.07 38.39 5.46 65.36 297.39 16.99 16.25
Por su parte, la figura 9 presenta la predicción realizada a partir de la estimación de la

ecuación de fallecidos de manera recursiva mediante rolling window. Llama la atención
el caso de Leticia, en donde el gráfico exhibe la presencia de dos picos: el primero el 9
de junio y el segundo el 21. Después del segundo pico en Leticia, el momento estimado
en donde no existirían fallecidos se presentaría el 28 de julio (62 días después del
pico).
Figura 10. Predicción de nuevos fallecidos (rolling window)

A nivel nacional se observan varios picos, de los cuales el más alto se presenta el 21
de junio. A partir de esa fecha se presenta una reducción sostenida en el número de
fallecidos, lo cual también ocurre en la ciudad de Bogotá. Por su parte, en Barranquilla,
al parecer, el pico más alto de fallecidos se pudo haber presentado el 28 de mayo.
Después de esa fecha el número de fallecidos se reduce de manera sostenida hasta el
18 de julio, cuando se estimaría que no existirá ningún fallecido (tabla 8).
IMPACTO DE LAS MEDIDAS DE CONFINAMIENTO
En este apartado se estima el posible impacto de las medidas de confinamiento

adoptadas por el Gobierno Nacional con el fin de responder a la expansión de la
pandemia, tales como el establecimiento de la cuarentena, diferentes formas de
distanciamiento inteligente y la apertura gradual de sectores. Para validar si estas
medidas lograron reducir el número de contagios y fallecidos se estima la ecuación 7,
la cual incorpora variables binarias que capturan el momento en donde se implementan
las medidas. Además, se incluye un índice de respuesta del gobierno a la pandemia
calculado por la Universidad de Oxford, el cual se construye a partir de 17 indicadores,
tales como el cierre de colegios y las restricciones de viajes en cualquier medio de
transporte. Se trata de un índice compuesto que toma valores entre 0 y 100, donde los
valores cercanos a 100 indican una estricta respuesta por parte del gobierno a la
pandemia (Petherick et al., 2020).
Es importante resaltar que el ejercicio que se muestra en esta sección es preliminar y

no se concentra en el impacto de la pandemia sobre indicadores socioeconómicos
relevantes, lo cual se podría implementar para una agenda futura de investigación, en
la cual el autor viene trabajando. Por lo tanto, el objetivo del ejercicio es medir el
impacto de las medidas de aislamiento y restricción adoptadas por el gobierno sobre
variables de resultado como el número de contagios y fallecidos.
El modelo dinámico de diferencias en diferencias que se pretende estimar en esta

sección sigue la metodología sugerida por Cerulli (2019), la cual utiliza el comando
TVDIF de STATA con el fin de estimar los efectos promedio del tratamiento (ATE, por
sus siglas en inglés) de las medidas de restricción implementadas por el gobierno,
incluyendo variables binarias de tratamiento que cambian en el tiempo. La ecuación a
estimar para el número de contagios y fallecidos presenta la siguiente forma:
(Ec. 9)
Donde el coeficiente mide el impacto del tratamiento un período después de que

este haya sucedido, mide el impacto del tratamiento un período antes de que el
tratamiento haya ocurrido y recoge el efecto fijo de grupo.
Se supone que el tratamiento sucede una sola vez a lo largo del período de análisis
y, por ende, existirá una secuencia de tratamientos posibles a lo largo del tiempo. El
parámetro de interés a estimar es el ATE,12 el cual está definido para dos resultados
potenciales y como: [ ( ) ( )] ( ).
Los resultados de la estimación para las ecuaciones que toman como variables de
resultado contagios y fallecidos se presentan en la tabla 7. El indicador de tratamiento
en la ecuación de contagios (did) es una variable binaria que se construyó como la
interacción entre la variable dummy de cuarentena y la variable dummy del grupo de
tratados. Es decir, la variable dummy de cuarentena se construyó asignando el valor de
1 después del 26 de marzo (inicio de la cuarentena) y cero en caso contrario. Por su
parte, la variable binaria de tratados toma el valor de 1 para las ciudades que
presentaban el mayor crecimiento de contagios y fallecimientos (Bogotá, Cali,
Cartagena y Colombia) y cero en caso contrario. De esta forma, la variable did sería el
estimador de diferencias en diferencias dinámico, que recogería el impacto de las
medidas de confinamiento o las restricciones impuestas por el Gobierno Nacional para
mitigar la pandemia.
Tabla 7. Estimación del impacto de las medidas de confinamiento sobre los contagios
Variable dependiente:
Variable dependiente: fallecidos
contagios
Variables MCO Efecto Fijo Variables MCO Efecto Fijo
_D_F4 2.311*** 0.0360 _D_F7 -0.159 0.0950*
(0.657) (0.124) (0.833) (0.0469)
_D_F3 -0.00227 -0.0374* _D_F6 -0.0904 0.0543*
(0.882) (0.0168) (0.834) (0.0281)
_D_F2 -0.0256 -0.0640*** _D_F2 0.0764 -0.0133
(0.887) (0.0186) (0.858) (0.0348)
_D_F1 -0.0182 -0.0496*** _D_F1 0.0292 -0.0175
(0.890) (0.0147) (0.857) (0.0150)
Did -0.0226 -0.0774** dummy40 0.180 -0.0396**
(0.898) (0.0332) (0.862) (0.0134)
_D_L1 -0.0173 -0.0420*** _D_L3 0.0755 0.0233
(0.897) (0.0120) (0.749) (0.0437)
_D_L2 -0.0171 -0.0439*** _D_L4 0.123 0.0626
(0.901) (0.0131) (0.727) (0.0513)
_D_L3 -0.00637 -0.0372** _D_L5 0.0860 0.00643
(0.900) (0.0152) (0.712) (0.0312)
_D_L4 -0.177 -0.618 _D_L6 0.0147 0.00817
(0.652) (0.389) (0.706) (0.0116)
Closcoll 0.241 -0.264 _D_L7 0.0630 0.0674
(0.384) (0.190) (0.698) (0.0513)
12
En términos de la ecuación equivale a estimar los parámetros , y y verificar si son estadísticamente
significativos y diferentes a cero.
L.closcoll -0.0819 0.132 _D_L8 -0.214 0.0241

(0.384) (0.117) (0.693) (0.0368)
t 0.0598** 0.106*** _D_L9 0.0892 0.0245
(0.0238) (0.0200) (0.693) (0.0183)
-
t2 -0.000215 _D_L10 0.0715 -0.0122
0.000651***
(0.000303) (0.000182) (0.530) (0.0326)
R 0.124 0.610 R -2.749 1.533*
(1.565) (0.457) (2.550) (0.775)
IRG -0.0157 0.0501* t -0.0253 0.0373**
(0.0725) (0.0227) (0.0465) (0.0126)
L.IRG 0.116* -0.00450 t2 0.000605 -0.000298**
(0.000583
(0.0681) (0.0146) (0.000122)
)
Constante -5.099 -0.762 Constante 7.108* 0.150
(4.896) (2.291) (4.039) (1.497)
N 941 941 N 952 952
R-
R-cuadrado 0.628 0.876 0.061 0.545
cuadrado
Grupos 9 Groups 9
Ciudad EF Si Ciudad EF Si
*** p < 0.01, ** p < 0.05, * p <
0.1
Los resultados reportados en la tabla 7 muestran que la estimación de la cuarentena

generó una caída en el número de contagios de aproximadamente 7 %, ceteris paribus,
el cual resultó ser estadísticamente significativo y diferente de cero en el caso de la
estimación por efecto fijo, pero no para la estimación por MCO. El efecto de tratamiento
sobre los contagios tiene una influencia dinámica importante a través del tiempo una
vez es implementado. En efecto, el período previo al tratamiento se vio afectado de
manera importante por el tratamiento actual, lo cual se puede percibir en que los
parámetros estimados que acompañan a las variables binarias _D_F1, _D_F2 y _D_F3
resultaron ser estadísticamente significativas y con signo negativo, mostrando que la
cuarentena generó una caída en la tasa de contagios diaria de aproximadamente 5 %.
Los efectos de la cuarentena en los períodos siguientes al momento de su
implementación (t + 1) fueron igualmente importantes, puesto que los parámetros
estimados que acompañan a las variables binarias _D_L1, _D_L2 y _D_L3 presentaron
el signo negativo, lo que implicó una caída acumulada en el número de contagios
después del impacto de 12,3 %. Esto implicó que el período post tratamiento impactara
de manera importante la tasa de contagios una vez dictada la medida de confinamiento
por parte del gobierno.
De igual forma, se incluyeron otras medidas adoptadas por el gobierno, como el cierre
de colegios (closcoll), y un indicador de respuesta del gobierno frente a la pandemia
(IRG) calculado por la Universidad de Oxford.13 En el caso del cierre de colegios, el
parámetro estimado presentó el signo negativo, es decir, la medida generó una
reducción en el número de contagios; sin embargo, esta medida no es
estadísticamente significativa. Por su parte, la respuesta del gobierno frente a la
pandemia no fue eficaz para reducir el número de contagios, tanto en la estimación por
efecto fijo como en la estimación por MCO.
De otro lado, la estimación del impacto del confinamiento sobre la variable de resultado
de fallecidos no es concluyente. La variable de tratamiento en esta ecuación fue la
variable de cuarentena que toma el valor de 1 una vez implementada (26 de marzo) y
ceros en caso contrario. Esta solamente resultó ser estadísticamente significativa de
manera contemporánea y presentó el signo esperado (negativo) en la ecuación
estimada por efecto fijo, lo que implicó que, en promedio, la medida generó una caída
en el número de muertes de 3,9 %, aunque su impacto no fue significativo
temporalmente. El impacto de la respuesta de gobierno medida a través del índice IRG
genera un efecto en el número de muertes de manera rezagada, aunque su magnitud
es muy pequeña, pues la reducción aproximada en el número de muertes por COVID-
19 fue apenas 0,012 %. El hecho de que el impacto de las medidas de confinamiento
en la ecuación de fallecidos no resultó ser significativo podría implicar que muchos
fallecidos tenían antecedentes relacionados con enfermedades de base y que algunas
personas se recuperaron de manera satisfactoria, lo cual debería estudiarse en una
agenda de investigación futura a partir de otros modelos que capturen estos factores.
El virus todavía se está expandiendo y la tendencia creciente cada vez es más

preocupante, a pesar del endurecimiento de las medidas de confinamiento, las cuales
parecen menos efectivas. La realización de pruebas para detectar el virus no está
creciendo tan rápido como su propagación, el rastreo de contactos parece no estar
funcionando y el número de camas disponibles en las UCI está alcanzando los
máximos niveles de ocupación. Dado este contexto, los gobiernos locales han
introducido medidas más estrictas de confinamiento, cuya ejecución ha sido difícil
debido, en parte, a la escasez de recursos y a la fatiga en que se encuentran las
personas en diferentes regiones, lo cual se constituye en un desafío no solo para el
gobierno central sino también para los gobiernos locales, quienes enfrentan
condiciones económicas cada vez más precarias.
A pesar de que las medidas tempranas adoptadas por Colombia lograron aplazar el
pico de contagios y disminuir la propagación del virus, la tendencia reciente de la
enfermedad continúa creciendo de manera exponencial, por lo que se requiere de un
trabajo conjunto entre las autoridades de salud y económicas a fin de mitigar los
efectos devastadores de la pandemia.
13
El índice de respuesta de los gobiernos a la pandemia (IRG), calculado por la universidad de Oxford, muestra que Colombia
respondió rápidamente a la emergencia a través del establecimiento de medidas de confinamiento , las cuales continúan siendo de
las más estrictas hasta el momento, en comparación con otros países.
Algunas opciones que las autoridades podrían implementar con el fin de hacer frente a
la catástrofe generada por la pandemia podrían ser las siguientes:
 Fortalecer la infraestructura de salud. Lo que significa contar con un volumen de

profesionales con todo el equipo necesario para su protección y al mismo tiempo
incrementar el número de UCI en todo el país.
 Promover el distanciamiento social y el autocuidado. Esto resulta muy importante
dados los altos porcentajes de máxima capacidad en las UCI, lo que involucra
promover campañas para que las personas no frecuentan espacios cerrados de
alta movilidad.
 Incrementar la aplicación de pruebas para detectar el virus y rastrear más el
número de contactos. A pesar de los esfuerzos del gobierno por aumentar el
número de pruebas, se requiere un mayor trabajo para reducir el rezago que
existe entre los síntomas de la enfermedad y su diagnóstico, al tiempo que se
fortalece la trazabilidad de los contagios y se reduce las tasas de positividad.
 Establecimiento de políticas diferenciales a nivel de regiones. Muchos de los
municipios de Colombia están libre de COVID-19, por lo tanto, las políticas de
contención de la enfermedad se podrían implementar de manera más flexible y
de acuerdo con las necesidades de cada región.
 Aumentar la cobertura de los programas de apoyo económico. Principalmente a
los hogares más pobres y vulnerables, que carecen de redes de seguridad social
que ayudarían a paliar los efectos nocivos de la pandemia, tal como lo ha venido
haciendo el programa Ingreso Solidario.
COMENTARIOS FINALES
Los modelos con tendencia cuadrática estimados para el número de contagios y

fallecimientos presentan un muy buen ajuste y describen de manera adecuada la
dinámica del nuevo coronavirus a través del tiempo en Colombia. La trayectoria futura
del COVID-19 no solo depende de su tasa de crecimiento exponencial a través del
tiempo, sino también de la evolución del número de reproducción efectiva, que para el
caso de Colombia sigue siendo mayor a uno y se ubica en el tramo ascendente de las
curvas de contagios y fallecidos.
Los resultados de esta investigación promueven la realización de trabajos futuros que

pretendan analizar la manera en que choques exógenos, como la aparición de una
pandemia, afectan a la economía, así como cuantificar los impactos nocivos sobre esta
desde diferentes metodologías. Un canal importante para analizar sería el deterioro del
mercado laboral, manifestado en grandes pérdidas de empleo, como las que se
registraron en los meses de abril y mayo, con tasas de desempleo de 19,8 y 21,4 %,
respectivamente. El número de personas que perdieron su empleo fue del orden de 5,5
millones en abril y de 4,9 millones en mayo, con respecto a iguales meses del año
anterior. Adicionalmente, los efectos perversos del COVID-19 sobre el mercado laboral
tienen fuertes consecuencias dependiendo del género, pues el impacto negativo ha
sido más severo para las mujeres que para los hombres. Al respecto, de acuerdo con el
DANE, el número de mujeres empleadas se redujo en 22,1 % en mayo, con respecto a
igual mes del año anterior, comparado con una caída de 14,9 % para los hombres.
Otro aspecto interesante por destacar a partir de los resultados de este documento
tiene que ver con las pérdidas futuras de capital humano debido a la interrupción en los
procesos de formación a nivel de educación superior, dentro de las que sobresalen la
pérdida de ingresos de los hogares más vulnerables con empleos informales, que
fueron fuertemente golpeados por la pandemia. Es posible que la interrupción de un
semestre de formación en la universidad implique menos oportunidades de enganche
en el mercado laboral y la posibilidad de obtener tasas de retorno a la educación
adecuadas a la inversión necesaria en el proceso de formación.
El efecto de la respuesta del gobierno a la pandemia sobre los contagios tiene un

efecto dinámico importante a través del tiempo una vez implementado, ya que el
período previo al tratamiento se vio afectado de manera importante por el tratamiento
actual. Los efectos de la cuarentena en los períodos siguientes al momento de su
implementación (t + 1) fueron igualmente importantes, lo que implicó una caída
acumulada en el número de contagios después del impacto de 12,3 %. Se concluye
que el período postratamiento impactó de manera importante a los contagios una vez
dictada la medida de confinamiento, cuyo impacto sobre la variable resultado de
fallecidos fue débil. Lo anterior implica que muchos fallecidos tenían antecedentes
relacionadas con enfermedades de base y que algunas personas afectadas se
recuperaron de manera satisfactoria, lo cual debería estudiarse a partir de otros
modelos que capturen estos factores, los cuales quedan por fuera de este trabajo.
Como muchos otros países, Colombia logró responder a la pandemia producida por el
COVID-19 a través del incremento en la realización de pruebas, el establecimiento de
estrictas medidas de confinamiento, trazabilidad de los contactos e incrementos en la
capacidad de UCI. Al parecer, la estrategia seguida por Colombia en torno a las
medidas de confinamiento se tomó de forma muy temprana, si se tiene en cuenta la
severidad de la pandemia en comparación con otros países, la cual continúa siendo
una de las medidas más estrictas. No obstante, en la actualidad, debido a las
tendencias recientes en la propagación del virus existen algunas señales con el manejo
de la pandemia, toda vez que la tasa de positividad de la enfermedad se ha ubicado
por encima del 10 %. A pesar de que no existe una respuesta clara frente a cuántas
pruebas se deben realizar, la Organización Mundial de la Salud sugiere que los países
deben realizar pruebas con el fin de mantener las tasas de positividad por debajo del
10 %.
Como agenda futura de investigación, resulta interesante medir el impacto de las

medidas económicas tomadas por el gobierno con el fin de contener los efectos
nocivos de la pandemia, así como algunas señales de recuperación que podría
presentar la economía colombiana en los próximos años. Igualmente, resulta llamativo

medir los costos sociales, por ejemplo, en pobreza y desigualdad, los cuales podrían
manifestar un enorme retroceso en cuanto a las metas logradas durante los últimos
quince años, lo que indudablemente afectará el desarrollo económico del país a largo
plazo.
REFERENCIAS
Acemoglu, D., Chernozhukov, V., Werning, I., & Whinston, M. D. (2020): A multi-risk
SIR model with optimally targeted lockdown. Massachusetts Institute of
Technology. https://economics.mit.edu/files/19698
Alvarez, F. E., Argente, D., & Lippi, F. (2020). A simple planning problem for COVID-19
lockdown (NBER Working Paper n.º 26981). National Bureau of Economic
Research. https://www.nber.org/papers/w26981
Álvarez, A., León, D., Medellín, M., Zambrano, A., & Zuleta, H. (2020). El coronavirus
en Colombia: Vulnerabilidad y opciones de política (PNUD LAC C19 PDS n.º 11.).
Programa de las Naciones Unidas para el Desarrollo.
Arroyo-Marioli, F., Bullano, F., Kucinskas, S., & Rondón-Moreno, C. (2020). Tracking R
of COVID-19: A new real-time estimation using the Kalman filter. SSRN, May.
http://dx.doi.org/10.2139/ssrn.3581633
Aum, S., Lee, S. Y., & Shin, Y. (2020). Inequality of fear and self-quarantine: Is there a
trade-off between GDP and public health? (NBER Working Paper n.º 27100).
National Bureau of Economic Research. https://www.nber.org/papers/w27100
Avery, C., Bossert, W., Clark, A., Ellison, G. & Fisher-Ellison, S. (2020). Policy
implications of models of the spread of coronavirus: Perspectives and
opportunities for economists (NBER Working Paper n.º 27007). National Bureau of
Economic Research. https://www.nber.org/papers/w27007
Bardey, D., Fernandez, M., & Gravel, A. (2020). COVID-19: Some Data Analysis.
https://sites.google.com/view/covid19somedataanalysis/home
Berger, D. W., Herkenhoff, K. F., & Mongey, S. (2020). An SEIR infectious disease
model with testing and conditional quarantine (NBER Working Paper n.º 26901).
https://doi.org/10.21034/sr.597
Bethune, Z. A., & Korinek, A. (2020). COVID-19 Infection Externalities: Trading Off
Lives vs. Livelihoods (NBER Working Paper n.º 27009). National Bureau of
https://doi.org/10.3386/w27009
Bodenstein, M., Corsetti, G., & Guerrieri, L. (2020). Social distancing and supply
disruptions in a pandemic (Finance and Economics Discussion Series 2020-031).
Board of Governors of the Federal Reserve System.
https://www.federalreserve.gov/econres/feds/social-distancing-and-supply-
disruptions-in-a-pandemic.htm https://doi.org/10.3386/w27009
Bonet-Morón, J. A., Ricciulli-Marín, D., Pérez-Valbuena, G. J., Galvis-Aponte, L. A.,

Haddad, E. A., Araújo-Junior, I., & Perobelli, F. (2020). Impacto económico
regional del COVID-19 en Colombia: Un análisis insumo-producto (Documentos
de trabajo sobre Economía Regional y Urbana n.º 288). Banco de la República.
https://www.banrep.gov.co/es/impacto-economico-regional-del-covid-19-colombia-
analisis-insumo-producto https://doi.org/10.32468/dtseru.288
Cerulli, G. (2019). Estimation of pre- and post-treatment average treatment effects with
binary time-varying treatment using STATA. The STATA Journal, 19(3), 551-565.
https://doi.org/10.1177/1536867X19874224
Chang, R., & Velasco, A. (2020). Economic policy incentives to preserve lives and
livelihoods (NBER Working Paper n.º 27099). National Bureau of Economic
Research. https://www.nber.org/papers/w27020 https://doi.org/10.3386/w27020
Chari, V. V., Kirpalani, R., & Phelan, C. (2020). The hammer and the scalpel: On the
economics of indiscriminate versus targeted isolation policies during pandemics
(NBER Working Paper 27232). National Bureau of Economic Research.
https://www.nber.org/papers/w27232 https://doi.org/10.3386/w27232
Cordovez, J. M., Santos, M., Bravo, C., & Cascante, J. (2020). Modelación COVID-19,
junio 1 de 2020. Universidad de los Andes.
Eichenbaum, M. S., Rebelo, S., & Trabandt, M. (2020). The macroeconomics of

epidemics (NBER Working Paper n.º 26882). National Bureau of Economic
Farboodi, M., Jarosch, G., & Shimer, R. (2020). Internal and external effects of social
distancing in a pandemic (NBER Working Paper n.º 27059). National Bureau of
Fernández-Villaverde, J., & Jones, C. (2020). Estimating and simulating a SIRD model
of covid-19 for many countries, states, and cities (Working Paper n.º 27128).
Garriga, C., Manuelli, R., & Sanghi, S. (2020). Optimal management of an epidemic: An
application to COVID-19. A Progress Report. Federal Reserve Bank of St. Louis.
Gregory, V., Menzio, G., & Wiczer, D. G. (2020). Pandemic recession: L or V-shaped?.
(NBER Working Paper n.º 27105). National Bureau of Economic Research.
https://www.nber.org/papers/w27105 https://doi.org/10.21034/wp.766
Hornstein, A. (2020). Social distancing, quarantine, contact tracing, and testing:

Implications of an augmented SEIR-Mode. Federal Reserve Bank of Richmond.
https://doi.org/10.21144/wp20-04
Hurwicz, L. (1962): On the structural form of interdependent systems. In E. Nagel, P.

Suppes, & A. Tarski (eds.), Logic, methodology and philosophy of science (pp.
232-239). Elsevier. https://doi.org/10.1016/S0049-237X(09)70590-7
Karin, O., Yinon, M. B., Milo, T., Katzir, I., Mayo, A., Korem, Y., Dudovich, B., Yashiv,
E., Zehavi, A. J., Davidovich, N., Milo, R., & Alon. U. (2020). Adaptive cyclic exit
strategies from lockdown to suppress COVID-19 and allow economic activity.
medRxiv, May. https://doi.org/10.1101/2020.04.04.20053579
Kermack, W., & McKendrick, A. G. (1927). A contribution to the mathematical theory of

epidemics. The Royal Society Publishing.
Korolev, I. (2020). Identification and estimation of the SEIRD epidemic model for
COVID-19. Binghamton University. https://doi.org/10.1016/j.jeconom.2020.07.038
Lin, Z., & Meissner, C. (2020). Health vs Wealth? Public Health Policies and the
Economy During COVID-19. (NBER Working Paper n.º 27099). National Bureau of
Linton, O., & Li, S. (2020). When will the COVID-19 pandemic peak? (Cambridge
Working Papers in Economics n.º 2025). University of Cambridge.
https://www.ifs.org.uk/uploads/CW1120-When-will-the-Covid-19-pandemic-
peak.pdf https://doi.org/10.1920/wp.cem.2020.1120
Liu, S., Weill, Pierre-Olivier, Lindsay, D., Lester, B., & Kargar, M. (2020). Corporate
bond liquidity during the COVID-19 crisis (NBER Working Paper n.º 27355).
Ludvigson, S., Ma, S., & Ng, S. (2020). COVID-19 and the macroeconomic effects of
costly disasters (NBER Working Paper n.º 26987). National Bureau of Economic
Petherick, A., Kira, B., Angrist, N., Hale, T., & Phillips, T. (2020). Variation in
Government responses to COVID-19 (BSG Working Paper Series). University of
OXFORD.
Stock, J. H. (2020). Data gaps and the policy response to the novel coronavirus (NBER
Working Paper n.º 26902). National Bureau of Economic Research March.
https://www.nber.org/papers/w26902 https://doi.org/10.3386/w26902
Toda, A. A. (2020). Susceptible-Infected-Recovered (SIR) Dynamics of COVID-19 and

Economic Impact. arXiv, 2003.11221.
APÉNDICE
Suponga que ( ) . El pico de la función ocurre cuando y tiene

lugar en el punto con un valor máximo de ( )
. El valor de t cuando ya no existen casos se alcanzará cuando la raíz más

grande ( ) , por ejemplo:
[ √ ]⁄
El número total de casos a partir del período inicial de la estimación está dado por
∫ ( ( )) . La letalidad de la pandemia sería igual a la relación de
de muertes y de casos.
Una vez estimados los parámetros por M.C.O ̂ ( ̂ ̂ ̂), se puede estimar:
̂ ̂
̂ ̂(̂ ) ,
̂ ̂
̂ * ̂ √̂ ̂ ̂+⁄ ̂
Los errores estándar de los parámetros se estiman a partir del método delta, de la
siguiente forma:
(̂ ) ( ) ( ̂)
( )
[ ̂( ̂ )] ( ) ( ̂)
( )
Donde ( ̂) es la matriz de covarianzas de los parámetros estimados por M.C.O.

Luego, se predice el número de casos y de muertes ( ) con la expresión
(̂ ̂ ̂ ) y se multiplica por el promedio del exponencial de los residuos
estimados por M.C.O. con el fin de corregir el sesgo de transformación. Por último, se
̂
estima a través de ∫ (̂ ̂ ̂ ) ̂ , el cual se puede
aproximar a través de la sumatoria de ( ̂ ( )) a lo largo del período de extrapolación.

Alvaro Chavez Paper

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Alvaro Chavez Paper

Cargado por

Copyright:

Formatos disponibles

Análisis sobre la evolución del COVID-19 en Colombia:

¿se alcanzará el pico de contagio?

Álvaro H. Chaves Castro

Fecha de recepción: 26 de junio de 2020

Sugerencia de citación: Chaves-Castro, A. H. (2021). Análisis sobre la evolución del

Palabras claves: contagios, tendencia cuadrática, confinamiento, rolling window.

Códigos JEL: H12, H51, I10.

Keywords: Contagion, quadratic trend, confinement, rolling window.

JEL Codes: H12, H51, I10.

Actualmente, el mundo está enfrentando una ola de incertidumbre y efectos negativos

Colombia no fue la excepción. El primer caso de contagio en este país, clasificado

Específicamente, para el número de muertes diarias, existen algunas ciudades en

En este trabajo —aún en etapa preliminar, y reconociendo cierto desconocimiento en

El presente documento se estructura en seis secciones, de la cuales esta introducción

NÚMERO DE REPRODUCCIÓN EFECTIVO Y DINÁMICA DEL CONTAGIO COVID-19

En donde es el tamaño de la población, la tasa de crecimiento diaria del número de

El número básico de reproducción ( ) se define como la relación entre la tasa de

A partir de las ecuaciones 1, 2 y 3, la tasa de crecimiento diaria del número de

Si se denota la tasa de crecimiento estimada de individuos infectados por ̂( ),

La tasa de reproducción efectiva que se muestra en la ecuación 5 se ha convertido en

contagio está en aumento. De otro lado, cuando este es menor a 1, durante la

De acuerdo con especialistas en epidemiología, parecería que la fase ascendente de la

Figura 1. Distribución Gaussiana del COVID-19 en Colombia

Fuente: elaboración propia con información del Ministerio de Salud de Colombia.

La curva azul punteada es un escenario en donde el número de casos crece de forma

implementación de distanciamiento social o la implementación de métodos de testeo

En el tramo izquierdo de la curva el número básico de reproducción sería mayor a 1 y

Es importante resaltar que la dinámica que exhibe la distribución en la figura 1 depende

Figura 2. Número de reproducción efectiva (R) e intervalos de confianza

Fuente: elaboración propia con base en datos de Arroyo-Marioli et al. (2020).

Análisis descriptivo de las tendencias del COVID-19

Antes de mostrar los resultados de la estimación, la figura 3 presenta las trayectorias

Figura 3. Número de contagios y muertes por COVID-19 en Colombia

Fuente: elaboración propia con datos del Ministerio de Salud.

El comportamiento de casos y muertes a nivel nacional y en Bogotá sigue trayectorias

Figura 4. Casos diarios de contagios no acumulados y tendencias del COVID-19

Fuente: elaboración propia con datos del Ministerio de Salud.

Figura 5. Muertes diarias y tendencias del COVID 19

Fuente: elaboración propia con datos del Ministerio de Salud.

Las figuras 4 y 5 presentan las tendencias de contagios y fallecimientos por COVID-19

Resulta interesante analizar la evolución de los contagios por el nuevo coronavirus y el

Figura 6. Contagios por COVID-19 y número de reproducción efectiva

Fuente: elaboración propia con datos del Ministerio de Salud.

El fuerte impacto económico que ha tenido la pandemia de COVID-19 ha despertado el

De acuerdo con Fernández-Villaverde y Jones (2020), los economistas han

Otro conjunto de trabajos relacionados con la “economía del COVID-19” se

investigadores han ignorado por completo el uso de modelos comportamentales y han

Un gran conjunto de trabajos se ha concentrado en estudiar los efectos

Gregory et al. (2020) desarrollan y calibran un modelo de búsqueda de trabajo con el

movilidad durante el mes de junio de 60 % es lo mínimo para no exceder la oferta de

MODELACIÓN DE LA DINÁMICA DEL COVID-19

En este trabajo se utilizan datos diarios de nuevos casos de contagios y muertes a

En donde es la tendencia, el número de nuevos casos o nuevas muertes en la

La expresión mostrada en la ecuación 8 es el modelo cuadrático más simple que

de casos diarios ( ) ⁄ . Finalmente, el valor de t después del cual

La muestra para la estructura de datos de panel a nivel de ciudades está conformada

La tabla 1 presenta un conjunto de estadísticas descriptivas para las principales

Tabla 1. Estadísticas descriptivas sobre COVID-19

Barranquilla Bogotá Cali

Casos 85 346 2,774 0 0 85 2,394 7,743 1 1 85 662.1 2,228 0 0

Cartagena Colombia Leticia

Casos 85 394.7 1,968 0 0 86 6,218 23,003 1 1 86 336.6 1,791 0 0